ElevenLabs না Murf—স্বাভাবিক কণ্ঠ নয়, Bengali support আগে যাচাই করুন

বাংলা ন্যারেশন বা ভয়েস এজেন্টের জন্য ElevenLabs ও Murf-এর মধ্যে একটিকে স্থায়ী বিজয়ী বলা যায় না। ElevenLabs-এর Eleven v4-এর বিবরণে বাংলা সমর্থন এবং সরাসরি কথোপকথনের জন্য v4 Turbo সংস্করণের কথা আছে; Murf-এর এপিআই কণ্ঠতালিকায় Falcon 2 মডেলের জন্য ভারতীয় বাংলার কণ্ঠ দেখানো হয়েছে। তাই প্রথমে কাজের উপযোগী মডেল, কণ্ঠ ও বাংলা উচ্চারণ যাচাই করুন; তার পর স্বাভাবিক শোনানো, গতি ও দাম তুলুন।

বাংলাদেশের শ্রোতার জন্য ভারতীয় বাংলার কণ্ঠ যথেষ্ট মানানসই হবে কি না, তা তালিকা দেখে নির্ধারণ করা যায় না। ন্যারেশনে দীর্ঘ পাঠের ধারাবাহিকতা ও সংশোধনের সুবিধা বেশি গুরুত্ব পাবে; কলের এজেন্টে গুরুত্ব পাবে প্রথম অডিও পেতে সময় এবং একসঙ্গে অনেক অনুরোধ এলে অপেক্ষা কতটা বদলায়। দুই কাজের জন্য একই পরিষেবা বেছে নেওয়ার বাধ্যবাধকতা নেই।

বাংলা সমর্থন আসলে কোন কণ্ঠে মিলছে?

ভাষা সমর্থনের দাবি পরীক্ষা করার সময় পরিষেবার নামের চেয়ে নির্বাচিত মডেল ও কণ্ঠের নাম বেশি দরকারি। একই প্রতিষ্ঠানের ন্যারেশন ও দ্রুত কথোপকথনের মডেলে ভাষা, কণ্ঠ এবং নিয়ন্ত্রণের সুবিধা আলাদা হতে পারে। Murf-এর তালিকায় ভারতীয় বাংলার লোকেল দেখা গেলে বাংলাদেশের উচ্চারণের উপযোগিতাও আলাদা করে শুনতে হবে। এই পার্থক্য বিশেষভাবে গুরুত্বপূর্ণ গ্রাহকসেবায়, যেখানে স্থাননাম বা গ্রাহকের নাম ভুল বললে বাকির স্বাভাবিক স্বরও কাজে আসে না।

পরীক্ষার নমুনায় ঢাকা ও কলকাতার মতো পরিচিত স্থানের নামের পাশাপাশি নিজের পণ্য, পাঠ্যবিষয় বা সেবার প্রকৃত নাম রাখুন। বাংলা অঙ্ক ও ইংরেজি অঙ্ক, টাকা, সময়, সংক্ষিপ্ত রূপ এবং বাংলা বাক্যের মধ্যে ইংরেজি শব্দ উচ্চারণ করান। যে অঞ্চলের জন্য অডিও তৈরি হবে, সেই অঞ্চলের শ্রোতার মত আলাদা নিন। একটি কণ্ঠ দুই অঞ্চলে একই রকম গ্রহণযোগ্য হবে—এমন সিদ্ধান্ত আগে থেকে ধরে নেওয়ার কারণ নেই।

স্বাভাবিক শোনানোর পরীক্ষায় বাংলা তুলনা কোথায়?

Murf পরিচালিত অন্ধ শ্রবণপরীক্ষায় দেশীয় ভাষাভাষী শ্রোতাদের বিচারে ElevenLabs-এর বিরুদ্ধে Murf তুলনা হওয়া আট ভাষার ছয়টিতে এগিয়েছে; বাংলা সারিতে ElevenLabs-এর ফল নেই। ফলে ওই ফল বাংলায় দুই পরিষেবার সরাসরি মানের রায় দেয় না। পরীক্ষাটি বিক্রেতা নিজে পরিচালনা করেছে, আর ব্যবহৃত কণ্ঠ ও মডেলের ফলকে আজ বেছে নেওয়া সব কনফিগারেশনের ফল ধরে নেওয়াও ঠিক হবে না।

নিজের কাজে স্বাভাবিকতা বলতে কী বোঝাচ্ছে, সেটিও নির্দিষ্ট করুন। শিক্ষামূলক পাঠে শব্দ স্পষ্ট থাকা ও অনুচ্ছেদজুড়ে একই স্বর বজায় রাখা দরকার; গল্পের সংলাপে আবেগ ও বিরতি বেশি গুরুত্বপূর্ণ হতে পারে। কলের উত্তরে পরিষ্কার, দ্রুত শুরু হওয়া বাক্য একটি নাটকীয় কণ্ঠের চেয়ে কার্যকর হতে পারে। একই স্ক্রিপ্টের নমুনা পরিচয় গোপন রেখে লক্ষ্য শ্রোতাদের শুনালে ব্র্যান্ডের পরিচিতি তাঁদের পছন্দকে প্রভাবিত করার সুযোগ কমে।

ক্লোনিং ও স্টুডিওর কাজে কোন খরচ লুকিয়ে থাকে?

নিজের বা অনুমতিপ্রাপ্ত বক্তার কণ্ঠ ধরে রাখতে চাইলে কণ্ঠ ক্লোনিংকে আলাদা শর্ত করুন। ElevenLabs-এর পরিকল্পনার বিবরণে Starter স্তরে তাৎক্ষণিক কণ্ঠ ক্লোনিং ও Studio প্রকল্প, আর Creator স্তরে পেশাদার কণ্ঠ ক্লোনিং দেখানো হয়েছে। সুবিধাটি পরিকল্পনায় থাকলেই নির্দিষ্ট বক্তার বাংলা নমুনা প্রকাশের উপযোগী হবে, এমন নিশ্চয়তা মেলে না। অনুমতি, নমুনার মান এবং চূড়ান্ত উচ্চারণ একই সঙ্গে বিচার করতে হবে।

ন্যারেশন দলের জন্য সম্পাদনার সময়ও তুলনার অংশ। একটি নাম বা সংখ্যা ভুল হলে শুধু সংশ্লিষ্ট বাক্য আবার তৈরি করে আগের অংশের সঙ্গে স্বর, গতি ও শব্দের মাত্রা মেলানো যায় কি না দেখুন। বারবার সংশোধন লাগে এমন পাঠে ছোট একটি সুন্দর ডেমোর চেয়ে এই ধারাবাহিকতা বেশি মূল্যবান। Murf ও ElevenLabs-এ একই ধরনের সংশোধন করে কতবার নতুন অডিও বানাতে হচ্ছে, সেটি লিখে রাখলে সদস্যতার দামের বাইরের শ্রমের পার্থক্য ধরা পড়বে।

একই স্ক্রিপ্টে তুলনার স্কোরকার্ড

দুই পরিষেবায় একই বাংলা–ইংরেজি পাঠ ব্যবহার করুন; একটির জন্য শব্দ বদলে সহজ পাঠ দিলে তুলনা ভেঙে যায়। একটি অংশে দীর্ঘ ব্যাখ্যা রাখুন, অন্য অংশে কলের মতো ছোট প্রশ্ন ও উত্তর। স্থান ও ব্যক্তির নাম, তারিখ, মূল্য, ইংরেজি পণ্যের নাম এবং বাক্যের মাঝখানে ভাষা বদলের অংশ রাখুন। পরীক্ষার সঙ্গে মডেল, কণ্ঠ, লোকেল, অডিও বিন্যাস এবং সংশোধনের সংখ্যা লিখে রাখুন, যাতে পরে একই ফল আবার যাচাই করা যায়।

• উচ্চারণ: নাম, সংখ্যা, সংক্ষিপ্ত রূপ ও বাংলা–ইংরেজি ভাষা বদলের ভুল আলাদা চিহ্নিত করুন। বাংলাদেশের ও ভারতীয় বাংলার শ্রোতার মত এক করে ফেলবেন না।
• ন্যারেশন: দীর্ঘ অনুচ্ছেদে বিরতি, বাক্যের জোর, স্বরের ধারাবাহিকতা এবং সংশোধিত অংশ আগের অডিওর সঙ্গে মেলে কি না শুনুন।
• এজেন্ট: অনুরোধ পাঠানো থেকে প্রথম অডিও পাওয়ার সময়, সম্পূর্ণ উত্তর আসার সময়, ব্যর্থ অনুরোধ এবং সমকালীন চাপের ফল লিখুন।
• ব্যয়: গ্রহণযোগ্য অডিও পেতে বাতিল নমুনা, পুনরায় তৈরি অংশ ও সম্পাদনার সময় কতটা লেগেছে, ব্যবহারমূল্যের সঙ্গে মিলিয়ে দেখুন।

শ্রোতাদের কাছে প্রতিটি নমুনা সরাসরি ব্যবহারযোগ্য, সংশোধনযোগ্য অথবা বাতিল—এমন একই মানদণ্ডে বিচার করাতে পারেন। আগে থেকেই ঠিক করুন কোন উচ্চারণের ভুল প্রকাশের আগে অবশ্যই ঠিক করতে হবে। এটি নিজের কাজের জন্য প্রস্তাবিত পরীক্ষাপদ্ধতি, দুই প্রতিষ্ঠানের বাংলা কণ্ঠের প্রকাশিত ফল নয়। স্কোরকার্ডের উদ্দেশ্য সুন্দরতম একক নমুনা খোঁজা নয়; নিয়মিত উৎপাদনে গ্রহণযোগ্য অডিও কত সহজে পাওয়া যায়, তা বোঝা।

ভয়েস এজেন্টে অপেক্ষা কীভাবে মাপবেন?

ফোনালাপে গড় বিলম্ব ভালো হলেও কিছু উত্তরে দীর্ঘ নীরবতা থাকলে ব্যবহারকারীর অভিজ্ঞতা বদলে যায়। তাই প্রথম অডিও পেতে সময়ের সঙ্গে পঞ্চানব্বইতম ও নিরানব্বইতম পারসেন্টাইল, অর্থাৎ p95 ও p99, দেখুন। ছোট ও দীর্ঘ উত্তর আলাদা চালান এবং একক অনুরোধের পর সম্ভাব্য ব্যস্ত সময়ের সমকালীন চাপেও একই পরীক্ষা করুন। একই নেটওয়ার্ক, সার্ভার অঞ্চল ও অডিও বিন্যাস রাখলে কণ্ঠ পরিষেবার পার্থক্য বোঝা সহজ হয়।

শুধু কণ্ঠ তৈরির সময়কে সম্পূর্ণ কলের অপেক্ষা ভাববেন না। শ্রোতার কথা শনাক্ত করা, উত্তর তৈরি করা, অডিও তৈরি করা এবং সেটি পাঠানো—প্রতিটি ধাপ সময় যোগ করে। দুই পরিষেবার ফল একই কল প্রবাহে মাপুন; শুধু আলাদা ডেমো চালিয়ে এজেন্টের ফল অনুমান করবেন না। সমকালীন চাপ বাড়লে প্রথম অডিও পেতে সময় কতটা ছড়িয়ে যায় এবং অনুরোধ ব্যর্থ হয় কি না, সেটিও সিদ্ধান্তে রাখুন।

সদস্যতা ও ব্যবহারমূল্য কীভাবে মিলবে?

ElevenLabs-এর ক্রেডিটভিত্তিক পরিকল্পনায় মাসিক মূল্যকে সরাসরি গ্রহণযোগ্য বাংলা অডিওর মিনিটে রূপান্তর করা যায় না। নির্বাচিত মডেলের ব্যবহার, বাতিল আউটপুট, পুনরায় তৈরি অংশ এবং অন্য সুবিধার জন্য খরচ হওয়া ক্রেডিট হিসাব বদলায়। ক্লোনিং বা Studio দরকার হলে সেই সুবিধা যে পরিকল্পনায় রয়েছে, তুলনায় সেই পরিকল্পনার দাম ধরুন। এপিআইয়ের অনুরোধসীমাও সম্ভাব্য সমকালীন কলের চাহিদার সঙ্গে মিলতে হবে।

Murf-এর এপিআইয়ের ব্যবহারভিত্তিক দরে Falcon মডেলের জন্য প্রতি এক হাজার অক্ষরে ০.০১ ডলার এবং Gen 2 মডেলের জন্য ০.০৩ ডলার দেখানো হয়েছে। এগুলো অডিও তৈরির এপিআই মূল্য; স্টুডিওতে সম্পাদনার সদস্যতা বা পূর্ণ ভয়েস এজেন্ট চালানোর মোট ব্যয় নয়। নির্বাচিত বাংলা কণ্ঠটি কোন মডেলে চলবে এবং সেই মডেলের জন্য অ্যাকাউন্টে কোন দর প্রযোজ্য, খরচ বের করার আগে মিলিয়ে নিন।

মাসে যত পাঠ প্রকাশ করবেন বা যত কলের উত্তর তৈরি হবে, তার সম্ভাব্য অক্ষরসংখ্যা দিয়ে দুই পক্ষের হিসাব করুন। পরীক্ষায় যত অডিও বাতিল হয়েছে, সেই অনুপাত এবং সংশোধনে লাগা কাজও যোগ করুন। ন্যারেশনের ক্ষেত্রে সম্পাদনার শ্রম বড় পার্থক্য আনতে পারে; এজেন্টের ক্ষেত্রে গ্রহণযোগ্য অপেক্ষা বজায় রাখতে প্রয়োজনীয় পরিকল্পনা ও সমকালীন সক্ষমতা খরচ বদলাতে পারে। বাংলা উচ্চারণে উত্তীর্ণ কনফিগারেশনগুলোর মধ্যেই শেষ দামের তুলনা অর্থবহ।

আরও পড়ুন:

• Muse Voice Transcribe কথার মাঝেই ভাষা বদল বোঝে—তবু বাংলা যাচাই হয়নি
• GitHub Copilot থেকে ছয় মডেল যাচ্ছে—১৯ অক্টোবরের আগে workflow বদলান
• Microsoft-এর ১০০+ agent-এ cycle time ৭৫% কম—আগে workflow বদলেছে